⊙ 場景：老闆的自由發揮時間
- 👨💼老闆（閒聊狀態）：「可以來做個用戶路徑分析嗎？」
🐧🐧🐧••••••••• （現場一片安靜，大家等著老闆下一句）
- 👨💼老闆（一派輕鬆）：「就是用戶路徑分析啊！User path analysis ! 不是很多產品都會做的嗎？用來了解用戶走的路徑啊？」
- 💁資料分析師（禮貌微笑，點頭）：「產品都會做的路徑分析，我們當然也要做！」
關起門來，開始問自己：「用戶路徑？那是什麼？不要告訴就是 User path analysis ，別的產品做所以我們也要做？做完用戶路徑要幹嘛？」
沒人回答你，因為發問者可能也不知道！
所以，此時此刻就是心法二上場的時機，用來回答看似明確就不知為何的問題，就是要轉化，聚焦在解答真正有用的問題。瞄準最有價值的地方（老闆擔心的焦慮的，就是有價值的方向），怎麼瞄準？一起往下看吧。
▍用戶路徑，到底怎麼分析才真的有用？
想當年，還是菜鳥的我在電商網站擔任數據分析時，曾經收到老闆的要求，針對電商網站的用戶路徑做細部分析。
什麼是「用戶路徑」呢？是用戶實際操作分佈的狀況。例如有八成的人喜歡從這個網站的首頁進入，另外兩成會直接跳到搜尋商品頁，而這兩成的人裡面又只有三分之一會點選搜尋結果 … 這些分佈的總和就是網站的用戶路徑。
第一次接到這樣的題目，當時的我真的是興奮不已，心想：「我們的網站流量大，流程設計又複雜，如果能夠在迷宮之中找到用戶偏好的路徑，應該是大功一件吧？再加上這個需求很明確，數字都放在那邊了，三兩下就搞定了！」
請先問自己：用戶路徑要解決什麼問題？
果真，年輕人就是年輕人，壓根兒沒想到事情根本不是那麼簡單，關鍵就在於我忘了問：用戶路徑分析到底要解決什麼問題？沒問清楚就一路傻傻做下去。
回頭看當年，真的是好傻好天真的照本宣科啊！
⊙ 教科書解法
- 整理資料：從千絲萬縷的用戶記錄中找尋可用資訊
- 定義用戶行為：瀏覽商品頁，點擊商品，放入購物車，結帳，離開…..
- 套用機率模型：算出最常出現的路徑
- 結論：用戶最常走的一條路徑是
搜尋關鍵字->點擊結果->連結商品頁->離開
耗費大把時間，運用大量技法
卻只得到了「常識」？
當時服務的公司是台灣規模最大的拍賣網站，可以想像流量多到想吐，不光是整理資料就令人頭昏眼花，再加上網站複雜，用戶路徑的排列組合有上億種可能性，就算在計算過程中想盡辦法收斂收斂再收斂，用了機率模型算出來最多人使用的路徑，也只涵蓋了不到一成的用戶。這份報告花了我好幾個禮拜的時間，用了一堆複雜的技法，才好不容易地從一團亂的巨量資料中理出頭緒。
經過這麼多繁複的步驟，你應該看了都累。但是，在台上才講到第三張投影片，台下的大老闆就毫不掩飾地打了個很大的哈欠。當時的我頭皮發麻，仍佯裝鎮定，帶著就算台下都睡著我也必須華麗謝幕的勇氣，把這份不知道白了多少頭髮的分析報告給講完。
結果呢？
老闆只說：「這個用戶路徑不用你講我也知道，就 … 感覺很不立體。不知道怎麼用這個結論。」
當下，真的是晴天霹靂，沒想到花了這麼多力氣整出來的分析結果，一點都派不上用場 …
正當菜鳥分析師心情掉到谷底，想著是否該放個大假考慮自己去留問題的時候，一個資深分析師同事拉住我，指點了一條明路。他說：「用戶路徑要導向付費/課金才有研究的價值，付費以外的用戶路徑就不用管了，以付費為終點的路徑前一步才是這個題目的價值。」
分析結果沒有指向任何商業應用，不管使用再高深的演算法，就只是一堆數據而已。
一語驚醒憨人！！！資料科學在商業最常見的應用不就是…「找到對的目標客戶」跟「改善產品流程痛點」嗎？我的報告根本沒提到這些重點啊！因為真的只有專注回答了「用戶路徑」，難怪老闆只會打呵欠，對我的報告一點興趣都沒有…
既然掌握了大方向，就讓我們回頭來看看怎麼好好利用分析結果來幫助老闆吧！
⊙ 善解人意的作法
其實老闆沒問出口的是，是什麼阻礙了用戶掏錢？要怎麼提高成交率呢？
套用比較大法，針對「鎖定目標客戶」跟「改善產品流程痛點」這兩大目標，我們可以列出一些可能的分析方向，例如：
- 不同目標族群（可能是性別年齡或是消費力高低）間的差異？
- 不同裝置上成交率有差嗎？手機操作流程比電腦版方便還是相反？
如何比較才是有意義的？找到痛點就對了！
也許你會問，如何知道要怎麼比較，跟誰比？怎麼比？只能說～～這些比較的依據，都是要經過大量的使用者訪談找尋痛點，會根據不同產業跟產品階段有所不同，絕非單靠拼命清理資料套用各種模型就會產生可用的結果喔！
▍找到痛點，康莊大道就在眼前！
順著這個思考邏輯下來，在用戶路徑分析結果裡發現一個有趣的現象：高消費族群在電腦版網站的結帳成交率遠高於手機 App 版本，經過分析發現，手機版本的結帳流程比電腦版多了兩個步驟，推測因此用戶在手機上的購買慾望就下降了。
有了這個結論之後，工程部門很快地改了一個版本，簡化手機結帳流程，結果真的手機版的成交量就有了明顯的提升呢！
藉此這個例子想說明的是，資料分析可以提供的資訊很多，但是只給出一些直觀的研究報告，不見得對改善產品有用，而是要透過族群/裝置不同維度的交叉分析，轉化問題，聚焦在真正有用的解法，找到了打通路徑的關鍵，這才是老闆要的。
看到這裡，或許有人會說：「資料科學的弦外之音未免也太多了吧？之前提到的量化問題方法論不都白學了嗎？」當然不是！定義量化問題是資料科學的基礎，絕對不容忽視。但是面對大老闆們丟來的變化球，只靠定量分析是不夠的。
讀懂老闆問句背後的心魔，你就學會接住變化球！
大老闆們的問句常常有共同的特性：充滿了「如何」、「怎麼」這些詞語，答案充滿了推測想像，無邊無際。偏偏呢！資料科學只能解決明確的量化問題，回答對還是錯，機率多少這樣的精確問題。
如何彌平兩者中間的鴻溝呢？
經驗告訴我們：學會轉化問題吧！先把開放性問題收斂成明確的量化問題，並透過比較賦予數據意義，給出的答案才會是善解人意版本，老闆也才會對你的高明解讀給予掌聲。
▍資料科學練功集大成囉
- 量化：量化問題絕對是第一步
- 比較：透過比較，收斂開放性的問題
- 轉化：轉化問題背後的焦慮，聚焦於有用的解法
最後再來總複習，如何應用這三大要訣。
⊙ 場景：回到熟悉的產品會議
面對專案經理提出的問題「怎麼證明這些產品功能可以留住用戶？」
有效的解決方式是：
- 把問題轉化成「列舉與證明哪些因素與提高留存率是否有關」。
- 透過資料分析提出各種可能假說（例如：「建立自己的喜愛清單, 加入購物車…是否與留存有相關性？」）針對「如何」做出各種選項讓老闆選擇（或者打槍），朝著老闆感興趣的方向前進。
- 收斂題目為「留存率與建立自己的喜愛清單」的相關研究。
定義好了題目，終於進入了我們熟悉的量化分析標準流程，跟機器學習工程師討論哪個演算法合適，與資料工程師討論執行細節。
▍結論：基本功必須紮實
大家請記得，信手捻來資料工程，基本統計，檢定，機器學習的經典模型，這些都是資料科學的基礎學習和實作經驗絕對是必備，不可荒廢！更上一層樓：
需要的是「讀懂問題背後的疑惑和焦慮」
簡單說來就是明白大老闆的心魔啦，當大家基本功都不相上下，如果懂得透視問題，直指核心，在一片茫茫資料大海中，脫穎而出就是你啦！
資料科學小教室我們下次見！
若是喜歡我分享的內容，歡迎幫我按個拍手，可拍 50下，給我一點鼓勵，或是加入我的粉絲團《程式猿吃香蕉🍌》，一起分享軟體知識與心得！
